1. 要旨
PaddleOCR-VL-1.5は、PaddlePaddleのオープンソース0.9Bパラメトリックドキュメントマルチモーダルモデルであり、レイアウトの位置付け、読み取り順からテキスト・表・数式などの構造化解析まで、実際の取得シナリオ(「曲げ、歪み、傾斜、スクリーン撮影、複雑な照明」など)に統合された機能を提供します。 公式の公開結果では、OmniDocBench v1.5およびReal5-OmniDocBenchで高精度を達成しており、文書理解や高品質なデータ抽出に適しています。
2. コア機能
- 多角形/不規則な領域の位置決め:多点ポリゴンが剛体長方形の枠の代わりに使われ、曲面や遠近の歪みによるテキストや要素の境界により適合します。
- 印章および署名認識:政府および企業の資料の構造化抽出やコンプライアンスシナリオに適した「印章/公式印章」要素の認識機能を追加しました。
- スプレッドロジックとグローバルセマンティクス:スプレッドテーブルのマージやタイトルや階層的アソシエーションなどの「全体ドキュメントレベル」の理解をサポートし、長い文書の意味的復元に適しています。
- マルチタスク解析:テキスト、表、数式、チャート、その他の要素をカバーし、エンドツーエンドの文書解析出力(Markdown/JSONなど)を提供します。
- 軽量かつ高スループット:0.9Bパラメータはコスト管理された展開に便利です。 公式資料では、バッチ文書処理のためのA100のエンドツーエンドスループットデータが提供されています。
- 多言語:公式資料はチベット語、ベンガル語、その他の小規模言語を含む広範な多言語カバーを提供しています。
3. 設置
- オンライン体験:ModelScope Online Demoを直接利用して画像やPDFをアップロードし、曲げや歪み、スクリーン撮影などのシーンの解析効果を素早く検証できます。
- ローカルデプロイ:PaddleOCRリポジトリをクローンし、公式ドキュメントに従って依存関係やモデリングリソースをインストールし、環境の違いを減らすためにDockerの優先利用を優先します。
- 推論加速:高スループットが必要な場合、FastDeployなどの推論バックエンドをサービス指向の展開やバッチ処理の加速に使い、バッチキューや並行性パラメータチューニングと組み合わせます。
4. 典型的なユースケース
- 複雑なスキャンの構造化:契約書、請求書、書類、報告書などは、画像やPDFを使いやすい構造化Markdown/JSONに変換します。
- 見開き表および目次復元:見開きテーブルをタイトルレベルで自動的に統合・整理し、長文文書の読みやすさと取得性を向上させます。
- シール要素抽出:材料検証およびリスク管理アーカイブにおいてシール領域と主要情報を抽出し、規則や手動レビューと連携させます。
- 文書RAGデータパイプライン:段落、表、ページ番号、要素座標を保持し、検索の再起、引用の位置付け、回答のトレーサビリティを向上させます。
5. 生態系と競合製品
- 生態学:PaddleOCRは文書レンダリング、レイアウト分析、構造化出力に至る完全なツールチェーンを提供し、バッチ処理やオンラインサービスの実装を容易にします。
- 競合製品:一般的なマルチモーダル大規模モデルと従来のOCR/ドキュメント解析ソリューションにはそれぞれの利点があります。 PaddleOCR-VL-1.5は、より小さなパラメータで「True Distortion Document Resolution」マルチタスクを重ねる機能を備えています。 異なるスキームの利点と欠点はデータ分布や評価設定によって異なり、選択前に回帰分析にはそれぞれ独自のサンプルを使用することが推奨されます。
6. 制限事項と注意事項
- スパンマージと階層的推論の誤った合併リスク:非常に不規則なレイアウトでヘッダーやフッターに強い干渉がある文書では、ルール検証とサンプリングレビューが必要です。
- シール認識は強力なビジネス特性を持ちます。シールのスタイルは地域やユニットによって大きく異なり、ドメインデータや閾値戦略の補完が推奨されます。
- スループットとコストはレンダリングと推論リンクに依存します。PDFレンダリングのDPI、バッチサイズ、並行性、バックエンド実装は速度とコストに大きな影響を与えます。
- 公開性と比較は慎重に解釈する必要があります:クローズドソースの一般モデルで比較結論が見られる場合、評価セット、プロンプトワード、入力処理の一貫性に注意を払う必要があります。
7. プロジェクトアドレス
https://github.com/PaddlePaddle/PaddleOCR
8. よくある質問
Q: PaddleOCR-VL-1.5は文書の曲げやねじりOCRに適していますか?
A: 公式の位置はスキャン歪み、遠近歪み、スクリーンカメラ用で、不規則な領域の位置把握とエンドツーエンドの解像度機能を提供します。 検証には実際の採集サンプルを使用することが推奨されます。
Q: PaddleOCR-VL-1.5で高精度ドキュメントRAGを作成するにはどうすればよいですか?
A: MarkdownやJSONなどの構造化された結果の出力を優先し、タイトルレベル、テーブル構造、読書順、ページ番号、座標を保持します。 次に「段落/表ブロック」をクリックして倉庫に分割し、追跡可能な参照を作成します。
Q: スプレッドテーブルのマージ効果が不安定な場合、どうすればいいですか?
A: 後処理段階で一貫性チェック(列数/ヘッダー類似度/ページ番号の隣接性)を追加し、低信頼度サンプルについては手動でレビューまたは「ページごとに解析」に戻してください。
Q: スループットが公式データに届かない場合はどうすればよいですか?
A: PDFレンダリング時間、入力解像度、バッチおよび同時実行、GPU利用率、公式推奨の推論バックエンドやパラメータが使われているかどうかを確認してください。 エンドツーエンドのリンクはボトルネックになります。
Q: チベット語、ベンガル語、その他の言語を支持していますか?
A: 公式資料は多言語対応で、チベット語、ベンガル語などを含みます。 開始前に、対象言語の特別なサンプリングと受け入れを行うことが推奨されています。
